规模日益增长的电动汽车和可再生能源带来的不确定性给配电网的安全运营带来了严峻挑战。为综合考虑多重不确定性、平衡运营成本与系统可靠性,首先,提出一种基于分布鲁棒联合机会约束的电动汽车-配电网充放电调度模型。该模型将节点电压、支路功率、备用需求等通过联合机会约束建模,可以直观地管理系统整体的可靠性。然后,为求解该模型,基于最优Bonferroni近似方法将联合机会约束问题转化为混合整数二次规划模型,其中,风险等级也被视为决策变量。随后,在不同电力系统上验证了所提模型的有效性和可扩展性。结果表明,所提模型克服了经典的随机优化和鲁棒优化存在的问题,能够有效平衡成本和可靠性,计算效率高、可扩展性好,较Bonferroni近似方法降低约6.5%的成本。
截至2023年6月底,中国电动汽车(EV)保有量已经超过1200万辆,大规模接入电网的EV若不进行合理调度,将对电网安全运营带来严峻挑战。同时,EV作为一种具有时空和容量高度灵活性的负荷,具有很大的调节潜力,可以作为灵活性资源为配电网提供辅助服务并带来安全效益,增强电力系统管控不确定性风险的能力。
单辆EV调节能力有限，无法参与电力市场EV聚合商作为EV与配电网的中间体,能够管理EV充放电和电力市场交易,与配电网进行互动。通过建立EV聚合模型,便于从整体角度分析EV集群的可调节潜力,减少模型中的变量个数,降低模型复杂度与EV数量的关联。EV接入和离开充电站的时间、充电需求、渗透率日益增加的光伏/风电等可再生能源、电网中的非灵活性负荷等均存在着不确定性,如何处理不确定性是EV并网充放电调度研究中的关键性问题。
二、 算法对比分析
现有处理不确定性的经典方法包括随机优化(SO)、鲁棒优化(RO)、机会约束旧等。其中,SO一般以目标函数的数学期望为目标,考虑了EV到达/离开时间、非灵活性负荷、市场价格的随机性,最大化配电网和EV聚合商利益的期望值。然而,SO往往需要场景驱动,复杂度与场景的数量高度相关,场景过少可能导致对随机性的刻画不准确,场景过多则带来很大的计算负担，与SO不同,RO关注可能出现的最坏情况,考虑随机的可再生能源出力和负荷,通过强对偶理论和列与约束生成算法来转化和求解两阶段RO问题。与SO问题相比,RO复杂度与场景的个数关联较低,但由于最坏的情况在实际中可能以很低的概率出现,这种方法可能过于保守。此外,由于SO和RO均未将风险系数考虑在建模中,无法直观地管理系统风险。
三、 算法处理方法
为解决SO和RO方法存在的问题并平衡经济成本与系统安全，分布式鲁棒机会约束(distributionally robust chance constraint,DRCC)模型受到越来越多的关注。通过建立DRCC模型处理了非灵活性负荷、可再生能源出力、市场价格等不确定性因素。采用机会约束限制电压、功率等范围以确保配电网在一定概率下安全运行。采用DRCC模型对EV的可调空间进行建模。然而，上述研究中的多个机会约束是独立的,忽视了机会约束之间可能存在的关联,同时在单一机会约束的风险参数选择上具有一定主观性,对每条约束取相同的风险等级，为此,有必要联合考虑机会约束,将问题建模为分布式鲁棒联合机会约束(distributionally robust jointchance constraint,DRJCC)模型。然而,DRJCC模型是隐式的,难以求解，经典的Bonferroni 近似Bonferroni approximation,BA)方法直接将联合约束转化为独立约束,并根据Bonferroni不等式预先分配独立约束的风险等级,这可能导致模型过于保守为降低模型保守性,为此提出最优 Bonferroni 近似(optimized Bonferroni approximation,OBA)方法用于近似机会约束问题,这种方法在满足Bonferroni不等式的前提下将独立约束的风险等级也视为变量进行优化,可以降低模型的保守性。进一步地,将 OBA方法求解DRJCC问题应用到考虑不确定性的潮流问题中,提出了基于多项式展开近似、连续凸近似等方法,并对比了不同近似方法的表现，尽管对采用 OBA方法求解的DRICC模型已有了初步的研究,但其应用在大规模EV接人配电网的调度研究中尚且罕见。为此,本文在大规模EV接人配电网的调度问题中建立了 DRJCC模型,联合考虑了节点电压、线路功率、备用需求,并采用OBA的方法求解。与相关研究相比,本文的主要贡献如下:
1)为高效处理多重随机性下EV接入配电网的调度问题,建立了DRJCC模型,算例表明所提模型缓解了 SO 模型求解时间长、RO的模型过于保守等问题。
2)为处理难以求解的联合机会约束模型,提出一种 OBA方法,将风险等级也视为决策变量,将问题转化成混合整数二次规划模型,降低了模型的保守性,与预先确定风险等级的方法相比,在满足可靠度要求的前提下降低约6.5%的成本。
3)所提模型将节点电压、支路功率、备用需求等综合考虑作为联合机会约束建模,能够通过设定系统整体风险等级参数以直观管理系统风险,并便于平衡系统运营成本和可靠度。
三、 解决方案
有序充电管理系统由预测算法、能量管理策略、有序充电策略和充电桩运营管理系统等构成。预测算法包括光伏、风力发电预测和负荷预测，是利用历史数据对未来 24 小时至72小时的风力、光伏发电和负荷需求进行预测，主要目的是为能量管理系统和有序充电策略提供未来时间的可用负荷容量和能量管理策略。通过对储能装置的充放电调控和引导充电需求，实现负荷的削峰填谷，提高电网运行稳定性，降低充电成本，通过以上算法和软件构成的一体化充电服务体系来提高运营竞争力。
四、安科瑞有序充电云平台具体的功能
平台除了对充电桩的监控外，还对充电站的光伏发电系统、储能系统以及供电系统进行集中监控和统一协调管理，提高充电站的运行可靠性，降低运营成本，平台系统及虚拟电厂的架构如图3、图4所示。
五、产品选型
安科瑞为广大用户提供慢充和快充两种充电方式，便携式、壁挂式、落地式等多种类型的充电桩，包含智能7kw/21kw交流充电桩，30kw直流充电桩，60kw/80kw/120kw/180kw直流一体式充电桩来满足新能源汽车行业快速、经济、智能运营管理的市场需求。实现对动力电池快速、高效、安全、合理的电量补给，同时为提高公共充电桩的效率和实用性，具有有智能监测：充电桩智能控制器对充电桩具备测量、控制与保护的功能；智能计量：输出配置智能电能表，进行充电计量，具备完善的通信功能；云平台：具备连接云平台的功能，可以实现实时监控，财务报表分析等等；远程升级：具备完善的通讯功能，可远程对设备软件进行升级；保护功能：具备防雷保护、过载保护、短路保护，漏电保护和接地保护等功能；适配车型：满足国标充电接口，适配所有符合国标的电动汽车，适应不同车型的不同功率。下面是具体产品的型号和技术参数。
结论
本文将考虑辅助市场的EV-配电网充放电调度问题建模为 DRJCC模型,以平衡运营成本和可靠性并克服经典SO和RO的缺点。然后，基于OBA方法,将无法求解的联合机会约束转化为混合整数二次规划模型求解,与BA方法不同的是,风险等级也被视为决策变量进行优化,降低了模型的保守性。最后,通过算例验证了模型平衡成本和风险的有效性、对EV数量和更大电力系统的可扩展性。本文研究未考虑拟合得到的随机变量概率分布与真实分布之间可能存在的偏差。未来,将进一步研究基于模糊概率分布的分布式鲁棒优化模型,并增加对光伏、风电、负荷、EV充电行为等多维不确定因素之间的相关性研究。
参 考 文 献：
[1] BLAABJERG F, WANG H, VERNICA I, et al. Reliability ofpower electronic systems for EV/HEV applications [I].Proceedings of the IEEE, 2021,109(6):1060-1076.
[2]裴振坤,王学梅,康龙云.电动汽车参与电网辅助服务的控制策略综述[J].电力系统自动化,2023,47(18):17-32.
PEI Zhenkun, WANG Xuemei, KANG Longyun. Review oncontrol strategies for electric vehicles participating in ancillaryservices of power grid [I]. Automation of Electric PowerSystems,2023，47(18):17-32.
[3]吴巨爱,薛禹胜,谢东亮.电动汽车聚合商对备用服务能力的优化[J].电力系统自动化,2019,43(9):75-81.
WU Juai,XUE Yusheng,XIE Dongliang.Optimization ofreserve service capability made by electric vehicle aggregator[J].Automation of Electric Power Systems, 2019,43(9):75-81.
[4]方晓涛,严正,王晗,等.考虑“路-车-源-荷”多重不确定性的交通网与配电网概率联合流分析[J1.电力系统自动化,2022.46(12):76-87.
FANG Xiaotao, YAN Zheng,WANG Han, et al. Analysis onprobabilistic joint flow for transportation network and distributionnetwork considering multiple uncertainties of road-vehicle-source-load[J].Automation of Electric Power Systems, 2022,46(12):76-87.
[5]WANG ZF,JOCHEM P, FICHTNER W.A scenario-basedstochastic optimization model for charging scheduling of electricvehicles under uncertainties of vehicle availability and chargingdemand[J]. Journal of Cleaner Production, 2020,254:119886.
[6]许梦瑶,艾小猛,方家琨,等.考虑用户积极性的电动汽车与机组联合调频的两阶段随机优化调度模型[J1.电网技术,2022,46(6):2033-2041.
XU Mengyao, Al Xiaomeng, FANG Jiakun, et al. Two-stagestochastic optimal scheduling model for joint regulation of EV andthermal units considering users enthusiasm [J]. Power SystemTechnology,2022,46(6):2033-2041.
[7]CAO Y,HUANG L, LI Y Q, et al. Optimal scheduling ofelectric vehicles aggregator under market price uncertainty usingrobust optimization technique [J]. International Journal ofElectrical Power &, Energy Systems, 2020, 117: 105628.
[8]石锦凯,鲍谚,陈振,等.计及充电负荷不确定性的充电站储能鲁棒优化配置方法[J].电力系统自动化,2021,45(20):49-58.
SHI Jinkai, BAO Yan, CHEN Zhen, et al. Robust optimizationconfiguration method of energy storage for charging stationsconsidering charging load uncertainty[J]. Automation of ElectricPower Systems,2021,45(20):49-58.
[9]SABER H,RANIBAR H,EHSAN M,et al. Transactivecharging management of electric vehicles in office buildings: adistributionally robust chance-constrained approach [J].Sustainable Cities and Society, 2022,87: 104171.
[10]陈岩,靳伟,王文宾,等.基于电动汽车分群的“风-网-车”联合消纳调度策略[J].中国电力,2021,54(4):107-118.
CHEN Yan, JN Wei, WANG Wenbin, et al. Schedulingstrategy for “wind-network-vehicle” joint accommodation basedon electric vehicle clustering[J]. Electric Power, 2021, 54(4):107-118.
[11]LEMESKI A T,EBRAHIMI R,ZAKARIAZADEH A.Optimal decentralized coordinated operation of electric vehicleaggregators enabling vehicle to grid option using distributedalgorithm[J]. Journal of Energy Storage, 2022,54: 105213.
[12]CHEN LM,TANG HL,wU JK, et al. A robustoptimization framework for energy management of CCHP userswith integrated demand response in electricity market [J]International Journal of Electrical Power &, Energy Systems,2022，141:108181.
[13]RAYATI M，BOZORG M，CHERKAOUI R,et al.Distributionally robust chance constrained optimization forproviding flexibility in an active distribution network[J]. EEETransactions on Smart Grid,2022,13(4):2920-2934.
[14]NGUYEN H T, CHO D H. Decentralized distributionallyrobust coordination between distribution system and chargingstation operators in unbalanced distribution systems[J]. EEETransactions on Smart Grid, 2023,14(3):2164-2177.
[15]SHI XY,XU YL,GUo Q L,et al. Day-aheaddistributionally robust optimization-based schedulingfordistribution systems with electric vehicles [I]. IEEETransactions on Smart Grid,2023,14(4):2837-2850.
[16]文艺林,胡泽春,宁剑,等.基于分布鲁棒机会约束的充电运营商参与调峰市场投标策略[J1.电力系统自动化,2022,46(7):23-32.
WEN Yilin, HU Zechun, NING Jian, et al. Bidding strategy ofcharging operator participating in peak regulation market basedon distributionally robust chance constraint[J]. Automation ofElectric Power Systems, 2022,46(7):23-32.
[17]XIE WJ, AHMED S,JANG R W. Optimized Bonferroniapproximations of distributionally robust joint chance constraints[J].Mathematical Programming: Series A and B, 2022, 191(1):79-112.
[18]YANG L,XU YL,SUN HB, et al. Tractable convexapproximations for distributionally robust joint chance-constrained optimal power flow under uncertainty [J. EEETransactions on Power Systems,2022,37(3):1927-1941.
[19]RAFIQUE S, NIZAMI M S H, IRSHAD U B, et al. A two-stage multi-objective stochastic optimization strategy tominimize cost for electric bus depot operators [J]. Journal ofCleaner Production,2022,332:129856.
[20]徐湘楚,米增强,詹泽伟,等.考虑多重不确定性的电动汽车聚合商参与能量-调频市场的鲁棒优化模型[J].电工技术学报,2023,38(3):793-805.
XU Xiangchu, MI Zengqiang, ZHAN Zewei, et al. A robustoptimization model for electric vehicle aggregator participation inenergy and frequency regulation markets considering multipleuncertainties Jl. Transactions of ChinaElectrotechnicalSociety,2023,38(3):793-805.
